GPT의 잠재력

최근 ChatGPT(Chat Generative Pre-Trained Transformer)의 등장으로 전통적으로 인간이 수행했던 작업을 완료하는 능력을 테스트하기 위한 수많은 실험이 촉발되었습니다. Eindhoven University of Technology와 중국 Zhejiang University의 냉동 및 극저온 연구소의 연구원들이 최근 실시한 연구에서 ChatGPT의 가장 진보된 버전인 GPT-4는 건물 에너지 관리를 위한 데이터 마이닝 자동화의 잠재력을 탐구했습니다.

연구에 따르면 GPT-4는 인간의 능력과 매우 유사한 방식으로 에너지 부하 예측 코드를 생성하고, 시스템 오류를 진단하고, 이상 현상을 감지할 수 있는 것으로 나타났습니다. 이러한 발전은 건물 에너지 관리 영역에서 중요한 기회를 열어줍니다.

테스트 중에 GPT-4는 실제 사무실 건물의 운영 데이터를 사용하여 냉각 부하 예측 작업을 위한 정확한 코드 생성을 시연했습니다. 작업 요구 사항 및 데이터 세트를 기반으로 Python 코드를 생성하는 데 있어 유망한 성능을 보여주었습니다. 그러나 작업이 복잡해 코드 수정이 필요한 경우가 많았습니다. GPT-4는 사무실 건물의 냉방 부하 예측에서 높은 정확도를 달성했지만 복잡한 작업에 비해 간단한 작업에 대해 더 간단한 코드를 생성했습니다.

HVAC 시스템의 결함 진단에서 GPT-4는 공조 장치(AHU), 냉각기 및 가변 냉매 흐름(VRF) 구성 요소의 일반적인 결함을 높은 정확도로 성공적으로 식별했습니다. 또한 결과 뒤에 숨은 요인을 설명할 수도 있습니다. 연구 결과 프롬프트에 결함 데이터, 정상 데이터, 증상 및 결함 레이블을 사용하면 결함 진단에 있어 GPT-4의 정확성과 일관성이 향상되는 것으로 나타났습니다.

이상 탐지에서 GPT-4는 HVAC 시스템의 비정상적인 작동 패턴을 식별하고 그 원인을 설명하는 기능을 시연했습니다. 그러나 일부 이상 현상만 정확하게 식별할 수 있었고 일부 이상 현상은 감지되지 않았습니다. 연관 규칙을 프롬프트에 통합함으로써 GPT-4의 이상 탐지 및 진단 정확도가 크게 향상되었습니다.

인상적인 기능에도 불구하고 GPT-4에는 한계가 있습니다. 낮은 안정성은 출력의 신뢰성과 재현성에 영향을 미칩니다. 건물 에너지 관리 분야에 대한 인간의 도메인 지식이 부족하여 부하 예측 모델의 해석 가능성을 신뢰할 수 없습니다. 또한 결함과 증상 사이의 인과 관계를 확립하고 HVAC 시스템의 정상 범위의 이상 변수를 이해하는 데 어려움을 겪습니다. 또한 GPT-4의 수학적 능력이 좋지 않아 시계열 데이터의 통계적 특성을 계산하는 데 실수가 발생합니다.

이러한 한계를 극복하기 위해 연구진은 향후 연구를 위한 다양한 연구주제를 제안했다. 여기에는 자동 프롬프트 입력 방법 개발, 소프트웨어 플랫폼을 사용하도록 GPT-4 교육, 건물 에너지 관리를 위한 맞춤형 모델 생성 등이 포함됩니다.